作為AI的重要分支，機器學(xué)習(xí)在推薦系統(tǒng)、在線廣告、金融市場分析、計算機視覺、語言學(xué)、生物信息學(xué)等諸多領(lǐng)域都取得了巨大的成功。機器學(xué)習(xí)并不是像我們字面理解的那樣，讓冷冰冰的機器去學(xué)習(xí)，或者狹義的理解為讓機器人去學(xué)習(xí)。

機器學(xué)習(xí)，從本質(zhì)上來說，可以理解為算法學(xué)習(xí)（Algorithm Learning）、模型學(xué)習(xí)（Model Learning）或者叫函數(shù)學(xué)習(xí)（Function Learning）。今天這個PPT將為大家詳細介紹機器學(xué)習(xí)-算法。

01

機器學(xué)習(xí)算法大致可以分為三類

監(jiān)督學(xué)習(xí)算法 (Supervised Algorithms）: 在監(jiān)督學(xué)習(xí)訓(xùn)練過程中，可以由訓(xùn)練數(shù)據(jù)集學(xué)到或建立一個模式（函數(shù) / learning model），并依此模式推測新的實例。該算法要求特定的輸入/輸出，首先需要決定使用哪種數(shù)據(jù)作為范例。例如，文字識別應(yīng)用中一個手寫的字符，或一行手寫文字。主要算法包括神經(jīng)網(wǎng)絡(luò)、支持向量機、最近鄰居法、樸素貝葉斯法、決策樹等。

無監(jiān)督學(xué)習(xí)算法 (Unsupervised Algorithms): 這類算法沒有特定的目標(biāo)輸出，算法將數(shù)據(jù)集分為不同的組。

強化學(xué)習(xí)算法 (Reinforcement Algorithms): 強化學(xué)習(xí)普適性強，主要基于決策進行訓(xùn)練，算法根據(jù)輸出結(jié)果（決策）的成功或錯誤來訓(xùn)練自己，通過大量經(jīng)驗訓(xùn)練優(yōu)化后的算法將能夠給出較好的預(yù)測。類似有機體在環(huán)境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預(yù)期，產(chǎn)生能獲得最大利益的習(xí)慣性行為。在運籌學(xué)和控制論的語境下，強化學(xué)習(xí)被稱作“近似動態(tài)規(guī)劃”（approximate dynamic programming，ADP）。

02

基本的機器學(xué)習(xí)算法：

線性回歸算法 Linear Regression

支持向量機算法 Support Vector Machine,SVM

最近鄰居/k-近鄰算法 K-Nearest Neighbors,KNN

邏輯回歸算法 Logistic Regression

決策樹算法 Decision Tree

k-平均算法 K-Means

隨機森林算法 Random Forest

樸素貝葉斯算法 Naive Bayes

降維算法 Dimensional Reduction

梯度增強算法 Gradient Boosting

Apriori算法

最大期望算法Expectation-Maximization algorithm, EM

PageRank算法